TacticalRMM v1.2.0 版本发布:脚本执行优化与磁盘检测修复
TacticalRMM 是一款开源的远程监控和管理工具,专为IT运维团队设计,提供了强大的远程控制、脚本执行、补丁管理和系统监控等功能。本次发布的v1.2.0版本主要针对脚本执行和磁盘检测进行了多项改进,进一步提升了系统的稳定性和用户体验。
脚本执行功能增强
本次更新在脚本检查功能中引入了一个重要的新特性——"成功返回码"字段。这个改进允许管理员指定除默认的0之外的其他返回码也视为脚本执行成功。
技术实现解析
在Unix/Linux系统中,进程执行完毕后会返回一个状态码,传统上0表示成功,非零值表示各种错误。但在实际运维场景中,某些脚本可能有特定的返回码约定。例如:
- 返回码
98通常用于表示脚本超时 - 某些自动化工具可能有自己的成功返回码定义
通过新增的这个配置项,管理员可以更灵活地定义哪些返回码应被视为成功执行,从而减少误报。这对于构建复杂的自动化工作流特别有价值。
磁盘检测功能修复
v1.2.0版本修复了一个影响Google Drive用户的重要问题。此前,如果系统中安装了Google Drive,会导致磁盘列表显示为空,进而影响:
- 系统摘要页面的磁盘信息显示
- 磁盘空间检查功能的正常运行
问题根源分析
该问题源于磁盘枚举逻辑与Google Drive虚拟文件系统的兼容性问题。当Google Drive创建虚拟磁盘映射时,原有的检测方法无法正确处理这些特殊设备节点,导致整个磁盘列表获取失败。
修复后的版本能够正确识别和过滤这些特殊设备,确保真实物理磁盘和常规存储设备的正常检测。需要注意的是,此修复需要配合Agent 2.9.1版本使用,该版本已随本次更新一同发布。
审计日志与用户体验改进
脚本测试日志记录
现在,当用户执行"测试脚本"操作时,相关详细信息会被记录到审计日志中。这为后续的问题排查和操作追溯提供了更完整的数据支持。
任务执行确认机制
为了防止误操作,v1.2.0增加了"立即运行任务"操作的确认对话框。当用户右键点击任务选择"立即运行"时,系统会弹出确认提示,减少意外触发任务执行的情况。
智能页面重定向
改进了登录后的重定向逻辑,现在用户会被自动导航到他们最初尝试访问的页面,而不是总是跳转到首页。这个改进同样适用于会话超时后重新登录的场景,使得工作流程更加连贯。
跨平台兼容性优化
修复了Linux和macOS代理上出现的错误日志问题。此前,"安装Windows更新"的日志消息会错误地出现在非Windows系统的调试日志中,现在这些不相关的消息已被正确过滤。
总结
TacticalRMM v1.2.0版本虽然是一个小版本更新,但包含了多项实用的功能改进和问题修复。特别是脚本返回码的灵活配置和磁盘检测的兼容性修复,将显著提升日常运维工作的效率和可靠性。建议所有用户尽快升级到该版本,以获得最佳的使用体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00